本文参考了[原创]关于 最优化/Optimization 的一些概念解释的基础上加入了一些新东西
参考了牛顿法与拟牛顿法学习笔记中的部分内容
[1]关于 凸
顾名思义，凸就是曲线是一个山谷形状，凹就是曲线是山峰形状。
凸函数是一个凸子集
（区间）上的实值函数 
，如果在其定义域 上的任意两点
，以及 
，有 
也就是说，一个函数是凸的当且仅当其上境图（在函数图像上方的点集）为一个凸集。
如果对于任意的
有 
，函数
是严格凸的。 [2]搜索方向
在最优化领域，我们经常会遇到“在某个方向上进行搜索”的说法，例如，使用共轭方向法来寻找最优解的过程中，我们会在共轭方向上进行搜索，那么，这个“方向”到底指的是什么呢？
对一维空间中的方向，我们可能有一种模糊的概念：就像是面前有一条笔直的路，我们沿着它走下去，想要寻找梦中的那个美丽佳人，但是我们不知道她在哪里，于是只能一边走，一边看，有时步子迈大点，有时步子迈小点。这就是一个“在一维方向上进行搜索”的例子。
然后推广到二维平面上：我们可以先在水平方向上移动一段距离，再在垂直方向上移动一段距离，综合起来看，你就可以在在二维平面上移动到任意的地方了。单独看水平或者垂直方向上你的移动，那就是在一个“方向”上的搜索。
假设有一个函数：
其自变量为 n 维的，即：
我们已知了X的初始点
，现在还有一个实数a，以及一个搜索方向 d （取direction之意），那么，什么才算是在方向 d 上对目标函数的搜索呢？其实就是求函数值： 
并且判断该函数值是否满足一定的条件（例如，不断地减小），如果不满足，就调整搜索方向，并再次计算、并判断的过程。
有了这个概念，我们就可以在N维空间中，沿某一个方向作搜索（尽管我们在几何上想像不出来＞三维的空间是什么样子的，但是这并不影响我们定义它）。
以三维的一个例子说明。设
初始位置为 
, 
, 
沿着d方向迈一步，步长为a
+0.5 
= 
可见函数在d方向发生位移a后增大了。若要让函数减小，那么可以沿着d的反方向
进行尝试。
[3]Hessian矩阵
函数的二阶导数矩阵
，通常这样表示 
因为连续函数的二阶混合偏导数与求导次序无关，所以这个矩阵是对称的。即是说
所以这个矩阵是对称矩阵，行数和列数都是变量的个数 n
[4]线搜索方法
一维搜索，又可以叫线搜索，针对的是单峰区间或单峰函数，每次都是沿着x轴走，用于寻找函数在某一区间之内的极值点。
所谓单峰，顾名思义，你可以在头脑中形成这样一种情景：函数的图形画出来就像一个山峰一样，并且只有一个峰。
但是显然，很多函数并不是单峰的。尽管如此，只要我们确定这个函数在某一区间内是单峰的，那么我们仍然可以使用一维搜索技术来寻找极值点。
[5]信赖域方法
为函数划定一个边界，在这个边界（定义域）内，寻找函数的极值点。
信赖域方法根据一定的原则，直接确定位移 ，同时，与一维搜索不同的是，它并没有先确定搜索方向。如果根据“某种原则”确定的位移能使目标函数值充分下降，则扩大信赖域；若不能使目标函数值充分下降，则缩小信赖域。如此迭代下去，直到收敛。就找到了极值点。
[6]共轭梯度法
共轭方向法是介于最速下降法和牛顿法之间的一种存在——它的收敛速度（二阶收敛）比最速下降法（线性收敛）快，同时它的计算量又比牛顿法要小，因此它的存在是有意义的。
需要注意，共轭方向法可以不使用目标函数的一阶导数信息（当然也可以使用）。所以，如果目标函数的一阶导数不容易求的话，共轭方向法可能就可以派上用场了。
共轭方向法的显著特征就是：两次搜索方向之间是有关联的，这种关联就是“共轭”。
[7]牛顿法
假设
为凸函数且连续二阶可微，那么可以构造以下迭代格式： 
来逼近函数的极小值。 [8]拟牛顿法
牛顿法虽然收敛速度快，但是计算过程需要计算目标函数的hessian矩阵。不仅计算复杂度大，而且可能因为矩阵不是正定导致牛顿法失效。为了解决这两个问题，拟牛顿法出现了。
基本思想：不计算hessian阵，直接构造出可以近似hessian阵的对称正定阵，在这个条件下求解。涉及的算法包括：DFP算法，BFGS算法，L-BFGS算法。
[9]最速下降法
以负梯度方向作为极小化方法的下降方向的方法。（一句话概括）
[10]最小二乘法
在做数据建模或者曲线拟合的时候，我们通常会用到最小二乘法。假设作为数学模型的函数为
，其中 S 为参数集向量（即一系列的参数）， x 为自变量。在这种情况下，为了求出 S ，需要对下式进行极小化： 
对已知的一个数据集 xi(i=1,2,⋯,n) ，能极小化该式的 S 就是最优参数。
换个角度说，就是要拟合曲线的误差越小越好。
[11]单纯形法
一种解线性规划问题的办法。通过画单纯性表，做矩阵初等行变换，变到最后可能求出最优解，也可能不行。